DeepSeek V4.1 Flash 1017发布：推理编码双提升，搜索抓取服务上线

DeepSeek 在 10 月 17 日发布了 V4.1 Flash 的 1017 版本，官方将其定性为小幅更新，但实际能力提升覆盖了推理、编码与代理任务三个核心维度，视觉能力也得到进一步增强。同一天，DeepSeek 的网页搜索与网页抓取 API 服务正式上线，为智能体与 RAG 应用提供实时网页内容。

据 B 站 AI 日报第 551 期的整理，新模型在多项基准测试中全面领先旧版本，部分成绩超过 Opus 5，并与 Kimi K3、GLM 5.3 形成直接竞争。官方强调新模型缩短了任务执行时间和输出长度，这意味着在同等任务下用户可以获得更快响应与更低成本。目前模型已通过网页端、App 和 API 同步更新，权重也在 Hugging Face 开源。

搜索与抓取 API：补齐 RAG 基础设施

与模型更新同步上线的两项服务值得单独关注。Search 接口返回结构化网页结果，Fetch 服务负责抓取单个网页并以 Markdown 格式返回正文。两者均使用 DeepSeek^广告 自研搜索引擎，计费按成功请求次数计算，每 1000 次 5 元，失败请求和空结果不计费，账号限速为每秒 5 次查询。

这一定价策略对中小开发者相当友好，尤其是失败不计费的规则降低了试错成本。从产品逻辑看，DeepSeek 正在把模型能力与数据获取能力打包成完整链路，开发者不必再单独接入第三方搜索服务，减少了工程复杂度。对于构建智能体应用的团队来说，搜索加抓取加推理的一体化方案，能显著缩短从原型到上线的周期。

RAG（Retrieval-Augmented Generation，检索增强生成）是一种将外部知识检索与语言模型生成相结合的技术架构。其基本流程是：用户提问后，系统先从外部数据源（如网页、文档库、数据库）中检索出与问题相关的片段，再将这些片段作为上下文一并送入大模型，由模型基于这些实时、可信的材料生成回答。相比纯参数化记忆，RAG 能显著降低模型幻觉，并让回答具备可追溯的来源。

RAG 的工程质量高度依赖检索环节的数据新鲜度与覆盖面。传统做法需要开发者自行搭建爬虫、清洗正文、切分片段并维护向量索引，链路长且维护成本高。DeepSeek 此次将 Search（返回结构化结果列表）与 Fetch（抓取单页并转为 Markdown）作为独立 API 提供，本质上把“检索层”外包给了搜索引擎厂商，开发者只需在拿到 Markdown 正文后做切分与向量化即可。Markdown 格式尤其适合 RAG，因为它保留了标题层级、列表与代码块等结构信息，便于按语义单元切块，也更容易被大模型正确解析。

多模态与记忆框架的同步演进

Perplexity 开源了新一代多模态决策模型 PPLX Decider V1.2 与 Flash V2 两种规格，文本与视觉评分均有提升，推理速度最高提升 5 倍，且一次请求中的所有问题可一次运行完成。权重已在 Hugging Face 开放下载。这一速度提升对高并发场景意义明显，批量决策任务的吞吐能力会直接受益。

腾讯混元则推出智能体记忆框架 High Memory 2.0，开源了专用模型记忆框架和 MemHub 应用。腾讯称这是业界首个提出工作记忆与代码记忆的记忆框架，在聊天、工作、代码三类场景的四个 Benchmark 上取代开源框架第一。

记忆能力一直是智能体落地的瓶颈之一。工作记忆负责当前任务的上下文维持，代码记忆则针对编程场景保留结构化知识，两者分离的设计思路比单一上下文窗口更贴近真实工程需求。权重已在 Hugging Face 发布，开发者可以直接测试其在实际项目中的表现。

智能体的“记忆”通常分为短期与长期两类。短期记忆对应上下文窗口，负责维持当前对话或任务的状态，但受限于窗口长度，且随对话增长成本递增；长期记忆则通过外部存储（向量库、结构化数据库、知识图谱）持久化历史信息，在需要时检索回注。工程上的难点在于：哪些信息该写入长期记忆、如何组织以便高效召回、新旧记忆冲突时如何取舍。

腾讯混元 High Memory 2.0 提出的“工作记忆”与“代码记忆”分离，正是针对上述难点的场景化拆分。工作记忆面向通用任务，记录任务目标、中间步骤与工具调用结果，强调时效性与上下文连贯；代码记忆面向编程场景，保存函数签名、依赖关系、项目约定等结构化知识，强调精确检索与跨文件一致性。将两者分开建模，可以避免通用对话历史淹没代码相关的关键约束，也便于针对不同场景设计各自的召回策略与淘汰机制。MemHub 作为配套应用，则提供了记忆的写入、检索与可视化管理的操作界面。

监管动向：AI 技术出口管理细化

商务部与科技部发布 2026 年第 48 号公告，就修订中国禁止出口限制出口技术目录公开征求意见，并对相关技术实施出口前登记的临时管理措施。此次征求意见涉及增列人工智能、生物医药、光伏三个领域 40 项关键技术，其中禁止出口技术 14 项，包括人工智能驱动的恶意代码生成与变异技术；限制出口技术 26 项，包括人工智能辅助漏洞挖掘技术。

商务部表示，此次将人工智能大模型、智能体、算力集群信息处理相关 23 项关键技术增列至目录，目的是确保技术安全可控，同时鼓励开源开放与合作共享。对开源企业境外自建自营算力中心、境外芯片流片、联合研发等情形的技术出口适用自动许可等便利措施。企业利用限制类大模型对外提供 API 调用、网页交互、SaaS 应用、端侧部署等情形，纳入大模型技术出口管理范围。这套规则试图在安全与开放之间划出边界，开源企业需要关注自动许可的适用条件。

中国的《禁止出口限制出口技术目录》由商务部与科技部联合发布，是技术出口管理的核心依据。目录中的技术分为“禁止出口”和“限制出口”两类：前者原则上不得对外提供，后者需经许可或登记后方可出口。目录会随技术发展定期修订，此次征求意见即为新一轮增列。

“出口前登记”是一种相对轻量的管理方式，企业在对外提供相关技术前向主管部门备案即可，不必然经过实质审批，其监管强度低于许可制。“自动许可”则指符合条件的申请可自动获得许可，实质上为特定情形（如开源企业境外自建算力中心、境外流片、联合研发）提供便利通道。需要注意的是，规则将“利用限制类大模型对外提供 API 调用、网页交互、SaaS 应用、端侧部署”纳入大模型技术出口管理范围，这意味着即使不转移模型权重，仅以服务形式向境外输出模型能力，也可能触发管理义务。对以开源和 API 服务为主要形态的 AI 企业而言，部署架构与服务地域的合规评估将变得更为重要。

OpenAI 与 Google 的产品节奏

OpenAI 方面，Codex Rework 进行了改进，提升了用户实际可用额度，方式包括在子智能体之间复用上下文、延长上下文缓存时间以及优化请求路由以提高缓存命中率。同时所有 Pro 用户的 GPT-6 Pro 模型也获得显著改进。

ChatGPT 为 iOS 主屏幕上线了小组件，用户添加后轻点一下即可进入对话或直接发起通话。GPT-6 Astra Pro 迎来升级，响应速度更快，对插件与工具的使用能力也有提升，新版本支持多个智能体并行处理同一任务的不同部分，用户可以跟踪每个智能体的进度并打开已完成任务查看结果，该功能面向 Chat 标签页的 Pro 用户开放。

Google AI Studio 宣布 Google AI Pro 订阅用户现可在 AI Studio 的 Build 与 Playground 中使用 Gemini 4 Argon 进行构建，官网已提供构建入口。

上下文缓存（Context Caching）是降低大模型推理成本的关键机制。在多轮对话或智能体循环中，系统提示词、工具定义与历史对话往往在多次请求间高度重复。缓存机制会把这部分前缀的计算结果（通常是注意力层的 KV 状态）暂存起来，后续请求命中缓存时直接复用，避免重复计算，从而同时降低延迟与计费成本。缓存命中率取决于请求前缀的稳定程度，因此优化请求路由、把可变内容尽量后置，是提升命中率的常见手段。

子智能体之间“复用上下文”则是多智能体架构下的成本优化思路：当主智能体把任务拆分给多个子智能体时，若每个子智能体都从零构建上下文，会带来大量重复的缓存写入。让子智能体共享同一段稳定前缀，可以显著提高整体缓存命中率，进而提升用户的实际可用额度。这与文中提到的多智能体并行处理同一任务的不同部分相呼应——并行带来吞吐提升，但只有在上下文组织得当的前提下，成本才不会同步膨胀。

观察：基础设施竞争成为主线

从这一批更新看，模型本身的参数竞赛正在让位于基础设施层面的整合。DeepSeek 把搜索、抓取与推理打包，腾讯混元把记忆框架独立开源，OpenAI 优化缓存与上下文复用，这些动作都指向同一个方向：让智能体在真实任务中跑得更稳、更便宜。对开发者而言，选择技术栈时需要更多考虑服务链路是否完整，而不只是看单点基准分数。

监管层面的细化同样值得留意。出口管理规则对开源与 API 服务的覆盖方式，可能影响企业未来的部署架构选择。技术安全可控与开源合作共享之间的平衡，会在具体执行中接受检验。